积分过程的PID控制器智能优化设计

针对积分时滞过程,采用微粒群优化(PSO)算法对比例-积分-微分(PID)控制器的参数进行优化设计.通过将PID控制器的参数设置为群体微粒在参数空间中的位置,模拟群体智能和动物觅食的动态行为来对PID参数寻优,使代表PID控制器参数的微粒逐渐向最优区域移动,获得最佳的PID参数.在优化过程中采用了偏差平方积分(ISE)的优化指标.实例仿真结果表明,基于微粒群算法优化得到的PID控制器不仅响应速度快、超调量小、抗干扰能力强,而且对过程时滞的变化具有较强的鲁棒性.     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

基于不同进化模型的双群交换微粒群优化算法

针对标准微粒群优化算法(PSO)在全局优化过程中容易陷入局部极值的问题,分析了标准微粒群优化算法早熟收敛的原因,提出了一种新的基于不同进化模型的双群交换技术的改进微粒群优化算法.该方法将微粒分成两个大小相同的分群,其中第一分群采用标准PSO模型进化,第二分群采用cognition only模型进化.两个分群每选代一次后,将第一分群的适应值最差的微粒与第二分群的适应值最优的微粒进行交换,以提高种群的多样性,改善算法的收敛性.与其它双群算法相比,该算法概念简单,程序实现容易.与标准微粒群优化算法相比.全局寻优能力更强,函数测试结果表明,提出的双群交换微粒群优化算法的收敛性能明显优于标准PSO算法.     

用微粒群算法实现水轮机调节器参数的优化设计

目前水轮机调节系统PID参数整定一般都是根据经验公式或现场反复试验获取,它往往不易获得最佳参数.为了保证获得最优水轮机PID调节器参数,本文研究了利用微粒群优化（PSO）算法进行参数优化设计的新方法.PSO算法是一种新的仿生优化方法,具有结构和运算简单的优点.仿真试验结果表明,用微粒群算法优化水轮机调节器参数,可以获得满意的控制精度和效率.与改进的遗传算法优化结果相比,各项控制性能指标（如调节时间、负调、超调量等）都优于遗传算法整定的PID调节器.     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力。将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解。计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性。     

箱型约束优化问题的免疫进化的微粒群算法

通过引入免疫进化项,提出一个求解箱型约束优化问题的新的算法—免疫进化的微粒群算法。该算法利用8个典型的测试函数进行数值实验,且与被动聚集的微粒群算法、全局版本的微粒群算法、局部版本的微粒群算法和具有压缩因子的微粒群算法进行计算比较,计算结果表明免疫进化的微粒群算法是求解箱型约束优化问题的一个高效的算法。     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法——微粒群算法。与传统的优化算法相比，微粒群算法在全局优化性能等多方面具有相当的优越性。     

基于差异性激活方法的改进微粒群算法

针对标准微粒群优化算法的惯性权重系数采用固定或线性递减的方式无法有效解决粒子陷入局部最优解的问题及可能出现的停滞现象,引入以差异性为基础的激活方法对微粒群算法进行改进.在每次迭代时算法可以动态调整惯性权重参数及粒子的活性,从而促进粒子收敛至全局最优解.对6种典型函数的实验结果表明,引入本文的激活方法后,改善了微粒群算法的开发和探索能力,并提高了其收敛速度及精度,其中以非线性惯性权值递减策略的微粒群算法最为明显.     

基于人工鱼群算法的电力系统稳定器参数优化研究

为提高电网的动态稳定性,有效地抑制低频振荡,对电力系统稳定器进行优化研究和算法改进.在本研究中,将全部PSS的参数配置处理成一个优化问题,用人工鱼群算法求出各个PSS的最佳参数整定值.以所有机电模式的最小阻尼比最大为优化目标函数,以PSS参数为待优化变量,以基于K阵等值法设计的PSS参数作为人工鱼群算法初始种群的选取基准.与传统PSS配置方法相比,该方法可以使多机系统所有机电模式都能得到良好的阻尼.算例结果与预期基本相符,表明了所设计的优化算法是切实有效的.     

混沌微粒群优化算法及其在非线性函数参数估计中的应用

混沌微粒群优化算法是在微粒群优化算法的基础上引入混沌思想,提高算法的局部搜索能力,具有良好的性能.主要介绍微粒群算法的原理以及混沌优化思想,最后结合求解平面度误差证明混沌微粒群算法在非线性函数参数估计中的有效性及应用前景.     

蚁群算法在自校正PID控制器设计中的应用

该文提出一种适用于一阶或二阶加延迟系统的自校正比例-积分-微分控制器的设计方法。推导了一种的丢番图方程求解方法,降低了自校正控制算法的计算量。使用蚁群优化方法对控制器参数进行离线优化,使系统在某一性能指标下的性能达到最优或接近最优。该设计方法使用递推最小二乘算法进行对象的在线辨识,使系统具有良好的自适应能力。仿真结果表明了该设计方法的有效可行。     

局部传感器发射功率约束条件下部分相干检测融合方法

针对局部传感器发射功率约束部分相干检测融合问题,利用偏移系数极大化理论优化系统检测性能,建立了基于多址接入信道传输的多传感器分布式部分相干检测融合模型,该模型将融合中心处相位同步误差建模为服从吉洪诺夫概率分布的随机变量.将局部发射功率约束部分相干检测融合问题转化为一个非线性非凸优化问题,利用非线性优化理论,得到了问题的一维搜索闭合解.蒙特卡洛仿真结果表明:当环路信噪比大于等于10时,文中方法能在低信噪比和低虚警概率情况下显著提高融合系统对目标的检测概率,其检测性能优于传统的基于并行网络拓扑结构的最优似然比方法.     

永磁同步电机自抗扰控制研究

将自抗扰控制引入永磁同步电机的速度环控制中,为减少算法计算量和降低参数调整难度,对非线性自抗扰控制进行结构优化和线性化处理,完成永磁同步电机的线性自抗扰控制器设计和仿真分析.仿真结果表明,自抗扰控制较常规PI控制抗负载扰动能力强,对不同转速的运行具有较强适应性.     

系统模型及控制器的FRIT同步优化分析

针对反馈系统被控对象精确辨识和控制器优化相互依赖的问题,提出了二者同步优化的FRIT设计方法.采用参数化方法将对象辨识和控制器优化转换为基于共同参数的优化问题.利用FRIT方法通过一组实验数据就可实现关键参数的优化配置.为了解决评价函数最优解搜索过程中的非线性问题,引入CMA-ES方法来简化复杂的计算过程,并以此保证算法在仿真计算中的有效性.算例验证了设计方法的可行性和有效性,为反馈控制系统中对象的精确建模和控制器的优化同步提供了思路.     

脉冲微分方程解对小参数的连续依赖性

主要目的是在脉冲微分方程中引入小参数,并研究了当ε→0＋时,脉冲微分方程x.=εf（x,t）,t≠ti,i=1,2,…n,Δx｜t=ti=x（ti＋）-x（ti）=εIi（x（ti））的解与平均值方程y.=ε[f0（y）＋I0（y）]的解的关系.从而建立了脉冲微分方程Φ-有界变差解对小参数的连续依赖性.     

基于正交试验的遗传算法参数优化

基本遗传算法求解优化问题的过程中存在着收敛缓慢、早熟现象以及求解的质量不高等问题. 为了解决上述存在的问题,提高遗传算法的求解质量,提出使用正交试验法优化遗传算法中的主要参数,即:种群规模N、交叉概率pc和变异概率pm. 通过使用正交试验法确定遗传参数,大大提高了算法的收敛性和求解质量. 仿真结果也表明采用正交试验法设计参数的科学性和有效性.     

基于博弈论的协作超宽带系统资源分配算法

为使多用户协作超宽带系统的资源分配算法能在有效利用系统资源的同时满足用户的服务质量QoS（Quality of Service）公平性需求,在纳什议价解方法和凸优化理论基础上,将合作博弈论方法用于协作多频带超宽带系统的资源优化分配中。提出以最大化系统净效用为目标,以用户的QoS需求为公平性指标的协作超宽带系统协作伙伴选择算法和自适应功率分配算法。通过仿真与最大化系统速率（max-rate）和最大化最小用户速率（max-min）公平性算法作比较,证明了该资源分配方法在最大化系统速率和用户QoS公平性两方面有很好的折衷,适于超宽带系统。     

基于GARCH类模型的黄金价格波动性研究

针对我国黄金交易中的现货延期交收业务(AU(T+D))的价格波动性问题,以2008年1月2日至2010年6月4日的日收盘价共593个数据为研究对象,建立多个广义自回归条件异方差(GARCH)类模型,通过对模型的参数检验和残差检验选择了最佳模型指数GARCH(1,1)模型,并且得出了这一时间段内我国黄金AU(T+D)市场灵敏性高,投资者对信息反应剧烈,并且具有波动持续性等结论。     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.